Thuật toán mới về so khớp Ontology

ối sánh dự k
thuật toán đư
ẩn về truy hồ
1-104, #201-
nhận được từ 
I-08 
Trung bình 
0.84 
0.80 
0.81 
OAEI-08 và 
 liệu về từ vự
01-210 ontol
ề từ vựng phù
m này. Với t
701 
ác kết quả 
Alignment 
ên cho các 
hối hợp tổ 
c hệ thống 
t nhất. Sự 
kết quả dự 
iến đưa ra 
ợc đề xuất 
i thông tin 
(3) 
210, #221-
mỗi nhóm 
xét giá trị 
ng và cấu 
ogy nguồn 
 hợp giữa 
rường hợp 
702 THUẬT TOÁN MỚI VỀ SO KHỚP ONTOLOGY 
thử nghiệm #248-266 dữ liệu về từ vựng và cấu trúc không đầy đủ, chúng tôi đã thu được các kết quả không thích hợp. 
Trong trường hợp thử nghiệm #301-304 với bốn ontology, cùng với thuật toán được đề xuất, nó cho ra kết quả tốt. 
Chúng tôi so sánh nhiều cấp độ và cách tiếp cận so khớp ontology tổ hợp của chúng tôi với một số hệ thống như 
CIDER, DSSim, GeRoMe, MapPSO, SPIDER, TaxoMap, gồm những người tham gia bộ thử nghiệm chuẩn OAEI-08 
cùng với MLMA + algorithm [5]. Các kết quả của sáu thuật toán trên bộ thử nghiệm chuẩn OAEI-08. Kết quả so sánh 
được trình bày trong Bảng 2. 
Bảng 2. So sánh các giá trị trung bình của precision và recall bởi phương pháp tiếp cận của chúng tôi với một số hệ thống 
đã tham gia vào tổ chức OAEI-08 
System 
test 
TaxoMap MapPSO GeRoMe SPIDER CIDER DSSim MLMA+ 
Our 
approach 
Prec Rec. Prec Re. Prec Rec. Prec Rec. Pre. Rec Prec Rec. Pre. Rec. Pre. Rec. 
1xx 
2xx 
3xx 
Average 
1.0 
0.95 
0.92 
0.91 
0.34 
0.21 
0.21 
0.22 
0.92
0.48
0.49
0.51 
1.0 
0.53 
0.25 
0.54 
0.96 
0.56 
0.61 
0.60 
0.79
0.52
0.40
0.58 
0.99
0.97
0.15
0.81 
0.99
0.57
0.81
0.63 
0.99
0.97
0.90
0.97 
0.99
0.57
0.75
0.62 
1.0 
0.97
0.90
0.97 
1.0 
0.64
0.71
0.67 
0.91 
0.57 
0.68 
0.69 
0.89 
0.52 
0.65 
0.65 
0.98 
0.78 
0.87 
0.86 
0.95
0.74
0.84
0.83 
F-measure 0.35 0.52 0.58 0.70 0.75 0.79 0.66 0.84 
Các thử nghiệm chuẩn trên hệ thống được phân thành ba loại: 1xx, 2xx và 3xx. Bảng 2 cho thấy giá trị trung 
bình precision và recall của từng loại, trung bình tổng (hay trung bình điều hòa) và f-measure của ba loại này. Xem 
phương trình (3). 
Khi tham khảo từ các kết quả được trình bày trong Bảng 2, thuật toán đề xuất của chúng tôi có độ đo f-measure 
tốt hơn các hệ thống khác và hàm ý rằng nó hiệu quả hơn các hệ thống khác. Thuật toán đề xuất cũng đã đạt được độ 
đo recall tốt hơn so với các hệ thống khác. Nhưng, nó có độ đo precision thấp hơn các hệ thống TaxoMap, CIDER và 
DSSim. Tuy nhiên, các hệ thống này gần như đạt tới độ đo recall và độ đo f-measure không thích hợp trong tất cả các 
thuật toán. Trong thực tế chúng đã loại bỏ độ đo recall để có được độ đo precision tốt hơn. 
VI. CÔNG CỤ OMREASONER 
A. Trình bày về hệ thống 
So khớp ontology tìm kiếm sự tương ứng giữa các thực thể liên quan đến ngữ nghĩa của các ontology. Nó đóng 
một vai trò quan trọng trong nhiều miền ứng dụng. 
Các phương pháp so khớp ontology đã được đề xuất: việc thực hiện so khớp có thể sử dụng nhiều thuật toán so 
khớp hoặc các công cụ đối sánh, và các tiêu chí phân loại chủ yếu sau đây được xem xét [11-13]. 
Nhiều phương pháp tập trung vào các khía cạnh cú pháp thay thế cho ngữ nghĩa. OMReasoner thực hiện việc so 
khớp bởi quy trình sử dụng một số từ điển bên ngoài và các kỹ thuật suy diễn. Tuy nhiên, phương pháp này bao gồm 
chiến lược của việc phối hợp (chủ yếu cú pháp) nhiều công cụ so khớp (ví dụ, công cụ so khớp EditDistance). 
1. Định nghĩa và phân tích hệ thống 
Quá trình so khớp có thể được định nghĩa là một hàm f. 
A’ = f(O1, O2, A, p, r) 
Trong đó O1 và O2 là một cặp của các ontology như là đầu vào để đối sánh, A là đối sánh đầu vào giữa các 
ontology và A’ là đối sánh mới ở đầu ra giữa các ontology, p là một tập các thông số (ví dụ, trọng số w và ngưỡng τ) và 
r là một tập các nguồn tài nguyên. 
Các đối sánh biểu thị sự tương ứng giữa hai thực thể. Một tương ứng phải thể hiện hai thực thể và mối quan hệ 
giữa chúng. Cho hai ontology, một sự tương ứng là bộ 5 phần tử: , trong đó: 
• id là một định danh duy nhất của sự tương ứng; 
• e1 và e2 là các thực thể của ontology thứ nhất và ontology thứ hai tương ứng; 
• R là một quan hệ (ví dụ, tương đồng (=), lớn hơn (>), nhỏ hơn (<), không tương đồng (⊥)) giữa e1 và e2. Theo 
OAEI, quan hệ tương đồng là cốt lõi; 
• n là độ tin cậy (thường trong khoảng [0 1]) với sự tương ứng giữa e1 và e2. 
OMReasoner thực hiện đối sánh ontology với ba bước như sau (Hình 5): 
1. Phân tích cú pháp: chúng tôi có thể thu được các lớp và các thuộc tính của các ontology bằng cách sử dụng 
API ontology: Jena. 
2. Kết hợp giữa các công cụ so khớp riêng lẻ: tương đồng về từ có thể được sinh ra bằng cách sử dụng nhiều 
thuật toán so khớp hoặc các công cụ đối sánh, ví dụ phương pháp tương đồng về chuỗi (tiền tố, hậu tố, chỉnh sửa 
khoảng cách) bằng cách dựa trên chuỗi, các kỹ thuật dựa trên ràng buộc. Trong khi đó, một số ngữ nghĩa tương ứng có 
Hth
c
r
(
r
s
2
a
c
h
c
b
c
c
c
l
uỳnh Nhứt Phát,
ể thực hiện b
ách sử dụng c
Khung 
iêng lẻ. 
3. Quá
Description L
Cuối cù
ecall. 
Với OM
o khớp riêng 
. Các kỹ thu
) Ngưỡng 
Ngưỡng
hỉnh sửa của 
ai thực thể là
húng tôi phải 
) Kết hợp độ
Mỗi cô
huẩn hoá trướ
• Thuật
Độ tin 
ho một công 
• Phươ
Độ đo t
) So khớp ng
OMRea
ogic mô tả (D
 Hoàng Hữu Hạn
ằng cách sử 
hiến lược cụ 
ứng dụng sẽ h
 trình suy di
ogic), trong đ
ng, chúng tôi
Reasoner, kh
lẻ bao gồm Ed
ật sử dụng cụ 
 rất cần thiết
“book” và “b
 tương đồng (
điều chỉnh cô
 đo tin cậy 
ng cụ so khớp
c khi kết hợp
 toán tổng hợ
cậy có thể đư
cụ so khớp k 
simሺeଵ
ng pháp cực đ
in cậy cực đạ
sim(e1
ữ nghĩa 
soner sử dụn
L - Descriptio
h, Phan Công Vi
dụng từ điển
thể. 
ỗ trợ về việc 
ễn: ngữ ngh
ó các tương đ
 đánh giá các
ung ứng dụn
itDistance và
Hìn
Hình 6. M
thể 
 đối với nhiều
ooklet” là 3/7
với độ do tin 
ng cụ so khớp
 riêng lẻ có 
. OMReasone
p trọng số (W
ợc tổng hợp b
cụ thể và sim
, eଶሻ ൌ 	∑୬୩ୀଵ
ại (Max) 
i được chọn tr
, e2) = max(si
g các phương
n Logic). 
nh 
 bên ngoài nh
kết hợp các c
ĩa tương ứng
ồng về từ đượ
 kết quả dựa 
g rất linh hoạ
 WordNet (H
h 5. So khớp 
inh hoạ về các 
 công cụ so k
 (tức là, các đ
cậy 0.57); ng
 thông qua n
thể tạo ra các
r bao gồm cá
eightSum) 
ằng thuật toá
k(e1, e2) là độ
w୩ ൈ sim୩ሺe
ong số n công
m1(e1, e2),
 pháp so khớp
ư WordNet. 
ông cụ đối sán
 có thể đượ
c sinh ra ở bư
vào các đối s
t đối với các 
ình 5). 
ontology trong 
công cụ so khớ
hớp (đặc biệt
ộ đo tin cậy t
ược lại nếu ng
gưỡng. 
 độ đo tin cậy
c chiến lược li
n tương đồng
 tin cậy của s
ଵ, eଶሻ,	trong đ
 cụ so khớp (
, simn(e1, e2
 ngữ nghĩa n
Sau đó, nhiều
h, tạo điều ki
c suy diễn b
ớc 2 được xe
ánh liên quan
công cụ so kh
OMReasoner
p trong OMRea
 là cú pháp) v
ương đồng là 
ưỡng là 0.6, 
 tương ứng. 
nh hoạt sau đ
 về trọng số (
ự tương đồng
ó ∑ w୩୬୩ୀଵ ൌ
công thức 2).
))
hư công cụ so
 kết quả so k
ện thuận lợi c
ằng cách sử 
m là đầu vào.
, và tính toán
ớp riêng lẻ. H
soner 
ề sự tương đồ
1-3/7=0.57). 
thì chúng khô
Tất cả các độ
ây để kết hợp
công thức 1),
. 
1.0
 khớp WordN
hớp được kết
ho các công 
dụng logic 
 hai độ đo: pr
iện nay, nhiề
ng. Ví dụ, kh
Nếu ngưỡng 
ng tương đồn
 đo tin cậy nà
 các kết quả đ
 trong đó wk 
et và việc su
703 
 hợp bằng 
cụ so khớp 
mô tả DL 
ecision và 
u công cụ 
oảng cách 
là 0.55, thì 
g. Vì vậy, 
y sẽ được 
ối sánh: 
là trọng số 
(1) 
(2) 
y diễn bởi 
7m
đ
b
s
p
B
p
W
1
đ
đ
n
p
c
n
=
2
th
(
3
V
n
đ
q
(
k
th
C
04 
WordN
ột từ hay cụm
ược tính toán
ên ngoài như 
OMRea
o khớp ontolo
hiên bản này,
. Kết quả củ
Trong p
hương pháp: 
indows Serv
. Phương ph
Với phư
ược thay đổi 
ịnh danh với 
goài. Trong n
hân cấp. Tron
ho phép hoán
gưỡng của W
 0.95, τed = 0.
. Phương ph
Tập dữ 
ống của chú
τwd = 0.9, τed =
. Phương ph
Phương
ới phương p
hau. Trong nh
Trước h
ược dịch sẽ đ
uả. Chúng tôi
τwd = 0.8, τed =
ém hơn so vớ
iết kế tốt để 
Để chọ
onference. T
et là một cơ s
 từ) của các
 với các thuật
WordNet để 
soner sử dụn
gy. Tuy nhiê
 khả năng suy
a OMReason
hần này, chú
Benchmark, 
er 2008 R2 S
áp Benchmark
ơng pháp này
để thay thế cá
các tên khác t
hóm 2 có các
g nhóm 3 cá
 vị của các t
ordNet, τed: n
9; S = Max). 
áp Conferenc
liệu tin cậy b
ng tôi theo ph
 0.8; S = Ma
áp MultiFarm
 pháp MultiF
háp này, các 
óm 2 các đối
ết, chúng tôi
ưa vào các cô
 điều chỉnh cô
 0.6; S = Ma
i các đối sán
so khớp với c
n ngưỡng tốt
uy nhiên, chú
ở dữ liệu điệ
 từ được sắp 
 ngữ ràng bu
đạt được sự tư
g logic mô tả 
n, khả năng s
 diễn được bỏ
er theo từng p
ng tôi trình bà
Conference v
tandard với bộ
, các ontolog
c nhãn hoặc đ
heo một quy 
 ontology thu
c ontology đư
ừ có chiều d
gưỡng của Ed
Các kết quả đ
Bảng 
e 
ao gồm các o
ương pháp C
x). 
Bản
arm bao gồm
ontology có 
 sánh ontolog
 sử dụng từ đ
ng cụ so khớ
ng cụ của ch
x), trong đó c
h ontology tr
ác ontology k
Bả
 hơn, chúng 
ng tôi vẫn sử
n tử về từ vựn
xếp tạo thành
ộc về nghĩa c
ơng ứng về n
DL được cun
uy diễn mất n
 qua. 
hương pháp
y các kết quả
à MultiFarm.
 vi xử lý Inte
y có thể được
ịnh danh về 
ước đặt tên cụ
 hẹp hệ thống
ợc thách thứ
ài cụ thể. Ch
itDitance) và
ạt được từ OM
Bảng 3. Phâ
4. Các kết qủa 
ntology thực 
onference. C
g 5. Kết quả đạ
 một tập con 
thể được chia
y đều khác nh
iển để dịch c
p bằng cách s
úng tôi bằng c
ho thấy các đ
ong nhóm 1. 
hác là vì chún
ng 6. Các kết q
tôi so sánh 
 dụng chiến 
g tiếng Anh,
 các bộ từ đồ
ủa WordNet. 
gữ nghĩa. 
g cấp bởi Jen
hiều thời gian
 thực hiện 
 đạt được từ O
 Các thử ngh
l Core i5 chạy
 chia thành 3
chúng. Sự tha
 thể, một tên
 phân cấp, mở
c lớn nhất về
úng tôi điều c
 kết hợp chiến
Reasoner the
n loại theo chu
đạt được theo B
tế. Chúng tôi 
ác kết quả đạt
t được theo Co
của tập dữ liệ
 thành 2 loại
au. 
ác ngôn ngữ
ử dụng chiến 
ách sử dụng 
ộ đo F-Measu
Chúng tôi thấ
g được viết b
uả đối với Mu
các kết quả (
lược về phươ
THU
 trong đó các 
ng nghĩa. Cá
Công cụ so k
a. OMReason
 và chỉ góp m
MReasoner v
iệm được tiến
 ở 2.8 Ghz và
loại (Bảng 3)
y đổi này bao
 ngẫu nhiên, m
 rộng hệ thốn
 đối sánh onto
hỉnh công cụ
 lược S, sau đ
o Benchmark
ẩn 2014 
enchmark 201
sử dụng chiến
 được từ OM
nference 2014
u kết hợp, đư
. Trong nhóm
 khác nhau sa
lược Max. Cu
ngưỡng và cá
res của các đ
y rằng những
ằng các ngôn 
ltiFarm 2014 
Bảng 7) trên
ng pháp Max
ẬT TOÁN MỚI
nghĩa khác n
c quan hệ giữ
hớp riêng lẻ n
er bao gồm c
ột phần nhỏ
ới OAEI 201
 hành trên m
 16 GB RAM
. Trong nhóm
 gồm việc tha
ột tên sai ch
g phân cấp h
logy. Ở đây 
 bằng cách s
ó nhận được
 được tóm tắ
4 
 lược kết hợp
Reasoner đượ
ợc dịch với tá
 1 các đối sá
ng tiếng Anh
ối cùng chún
c kết quả có t
ối sánh ontol
 lý do mà OM
ngữ hoàn toàn
 một số ngư
 để thực hiện
 VỀ SO KHỚP O
hau (các nghĩ
a các thực th
ày sử dụng m
ác luật suy di
 cho các kết q
4. Nó thực hi
ột máy tính 
. 
 1, thông tin 
y thế các nhã
ính tả hoặc m
oặc tất cả đều
các nhãn đượ
ử dụng ngưỡ
 các kết quả t
t trong Bảng 4
 để thực thi c
c tóm tắt tro
m ngôn ngữ 
nh ontology 
. Sau đó, tiến
g tôi nhận đư
hể hiển thị tro
ogy ở nhóm 2
Reasoner k
 khác nhau. 
ỡng theo phư
 công cụ của 
NTOLOGY 
a có thể là 
ể ontology 
ột từ điển 
ễn về việc 
uả. Trong 
ện theo ba 
đang chạy 
từ vựng đã 
n hoặc các 
ột từ nước 
 không có 
c trộn sao 
ng T (τwd: 
ốt hơn (τwd 
. 
ông cụ hệ 
ng Bảng 5 
khác nhau. 
đều giống 
g Anh đã 
ợc các kết 
ng Bảng 6 
 là rõ ràng 
hông được 
ơng pháp 
chúng tôi. 
HT
m
d
M
C
1
từ
đ
2
c
từ
m
m
th
đ
c
s
c
tư
c
tr
th
m
m
o
uỳnh Nhứt Phát,
ừ các kết qu
easure = 0.6
ụng phương 
ultiFarm. 
. Nhận xét c
. Thảo luận v
Thực h
 các công cụ
ược liệt kê nh
a) Áp dụ
trên tr
b) Thêm
trước 
c) Lấy c
d) Xem 
e) Một v
hiện n
. Đề xuất cá
Chúng 
a) Làm p
được 
b) Tính 
c) Tìm c
d) Tìm c
e) Cải th
f) Bao g
Trong b
ủa các ontolo
 vựng, cấu t
ột phép đo m
iêu tả, được 
ực thể. Tron
ược đặt tên, c
ấu trúc các on
ánh chúng vớ
ận của nút đó
ơng đồng về
ách áp dụng b
ung bình có t
ử nghiệm ch
ột số hệ thốn
easre tốt hơn
ntology theo 
 Hoàng Hữu Hạn
ả, chúng tôi 
47). Vì vậy m
pháp Confer
B
hung 
ề cách thức đ
iện việc suy d
 so khớp riên
ư sau: 
ng nhiều chi
ọng số. 
 một số tiền x
khi đưa vào c
ác nhận xét v
xét lại việc sử
ấn đề khác tr
ay. Và chúng
c biện pháp m
tôi thấy rằng O
hong phú cá
các khái niệm
đến sự phân c
ác từ đồng ng
ác từ điển ng
iện thuật toán
ồm nhiều côn
ài báo này ch
gy đã cho dựa
rúc, và tổ hợp
ới về sự tươn
chuyển đổi và
g giai đoạn đ
ác thuộc tính
tology, chúng
i nhau dựa trê
 và các lân c
 cấu trúc đượ
a thao tác đư
rọng số của c
uẩn của OAE
g đã tham gi
. Ngoài ra, 
ba phương ph
h, Phan Công Vi
thấy rằng khi
à chúng tôi 
ence, chúng 
ảng 7. So sánh
ể cải thiện hệ
iễn dựa trên c
g lẻ sẽ nâng c
ến lược linh h
ử lý (Hình 6
ác công cụ đố
à thông tin về
 dụng giá trị n
ong công cụ 
 tôi sẽ cải thiệ
ới 
MReasoner 
c từ điển ngữ 
 ngữ nghĩa to
ấp các khái ni
hĩa theo phươ
ôn ngữ khác n
 của một số c
g cụ so khớp 
úng tôi trình
 trên thông ti
. Đối với việ
g đồng, tron
 cho vào một
ầu tiên, chún
 đối tượng và
 tôi tạo ra mộ
n mạng lưới 
ận của các lâ
c tính bằng cá
ợc mô tả trong
ác kết quả về
I-08 và có cá
a vào tổ chúc
chúng tôi trìn
áp: Benchma
nh 
 ngưỡng τwd
sử dụng ngưỡ
tôi nhận đư
 kết quả với cá
 thống đề xuấ
ác tương ứng
ao các kết qu
oạt hơn tron
), chẳng hạn n
i sánh. 
 nhãn của ont
gưỡng thích 
của chúng tô
n nó trong tư
có thể cải tiến
nghĩa vì Wor
àn diện. 
ệm ngữ nghĩa
ng pháp kết h
hau cho Mult
ông cụ đối sá
khác nhau. 
VII.
 bày thuật toá
n về từ vựng 
c xác định sự
g đó các thôn
 túi từ, sau đ
g tôi thu đượ
 các thuộc tín
t mạng lưới 
của chúng. M
n cận đó đồn
ch so sánh cá
 phần III mụ
 từ vựng và c
c kết quả khả
 OAEI-08 và 
h bày thêm 
rk, Conferenc
= 0.9, τed = 0
ng τwd = 0.9
ợc các ngưỡ
c ngưỡng khác 
t 
 về từ là rất k
ả của chúng t
g việc kết hợp
hư loại bỏ đặ
ology để tính 
hợp để tối ưu 
i là bỏ qua th
ơng lai. 
 rất nhiều. M
dNet không p
 thay vì chỉ tí
ợp. 
iFarm. 
nh. 
KẾT LUẬN
n so khớp on
và cấu trúc củ
 tương đồng 
g tin về từ vự
ó chúng được
c ba ma trận t
h dữ liệu của
cho mỗi nút tr
ỗi mạng lưới 
g thời được th
c mảng này. 
c B. Cuối cùn
ấu trúc. Chún
 quan. Ngoài
như trong Bả
các kết quả c
e và MultiFa
.8, công cụ 
, τed = 0.8 the
ng tốt hơn s
nhau của Confe
hó khăn, vì v
ôi. Một số cá
 nhiều công 
c tính cụ thể
toán, cá biệt k
hóa độ chính 
ông tin về cấ
ột số cách mớ
hải là một từ 
nh đến tất cả 
tology tìm ra
a chúng. Thu
về từ vựng gi
ng của mỗi th
 sử dụng cho 
ương đồng v
 hai ontology
ong ontology
của mỗi nút đ
ể hiện bởi m
Sau khi tạo ra
g, trong giai đ
g tôi đã thực 
 ra chúng tôi 
ng 2 cho thấy
ủa hệ thống 
rm. Chiến lượ
của chúng tô
o phương ph
o với phươn
rence 2014 
ậy các kết qu
ch để cải thiệ
cụ so khớp th
 (ví dụ, '-', '_'
hi tên của kh
xác. 
u trúc bao gồ
i được đề xuấ
điển chuyên n
các khái niệm
 sự tương đồn
ật toán này th
ữa các thực t
ực thể, chẳn
việc tìm kiếm
ề từ vựng bằn
. Trong giai đ
 nguồn và ont
ược tạo ra bằ
ột mảng hai 
 ma trận này
oạn thứ ba, c
hiện thuật toá
so sánh thuật
 thuật toán củ
OMReasoner
c kết hợp của
i thực hiện tố
áp Conferenc
g pháp Benc
ả chính xác đ
n công cụ của
ay vì chỉ tổn
) hoặc tách cá
ái niệm này là
m ontology ở
t như sau: 
ghiệp, nó kh
 và thuộc tính
g trong số cá
ực hiện ở ba
hể, chúng tôi
g hạn như nh
 sự tương đồ
g cách so sá
oạn thứ hai, 
ology đích và
ng cách sử dụ
chiều. Ma trậ
, nó được cải 
húng tôi tính 
n của chúng 
 toán của chú
a chúng tôi c
 cho việc đố
 nhiều công c
705 
t nhất (F-
e. Việc sử 
hmark và 
ược đưa ra 
 chúng tôi 
g hợp dựa 
c từ ghép, 
 vô nghĩa. 
 giai đoạn 
ông thể có 
. 
c thực thể 
giai đoạn: 
 giới thiệu 
ãn hoặc sự 
ng của các 
nh các lớp 
để so sánh 
 sau đó so 
ng các lân 
n khởi tạo 
thiện bằng 
toán giá trị 
tôi trên bộ 
ng tôi với 
ó độ đo f-
i sánh các 
ụ so khớp 
706 THUẬT TOÁN MỚI VỀ SO KHỚP ONTOLOGY 
riêng lẻ và sự suy diễn logic mô tả DL bao hàm cả trong cách tiếp cận của chúng tôi. Các kết quả đạt được chúng tôi 
thấy vẫn chưa thỏa mãn và sẽ tiếp tục cải tiến nó trong tương lai. 
VIII. TÀI LIỆU THAM KHẢO 
[1] N. Arch-Int and P. Sophatsathit, A semantic information gathering approach for heterogeneous information 
sources on WWW, Journal of Information Science 29 (2003) 357–374. 
[2] M. Ehrig and J. Euzenat. Relaxed precision and recall for ontology matching, K-Cap 2005 Workshop on 
Integrating Ontologies2005 (Banff, Alberta, Canada) 25–32. 
[3] L. S. Xiao and R. Ellen, Automated schema mapping techniques: an exploratory study, Research Letters 
Information Science4 (2003) 113–136. 
[4] W. Cohen, P. Ravikumar and S. Fienberg, A comparison of string metrics for matching names and records, 
Proceedings of the Workshop on Data Cleaning and Object Consolidation at the International Conference on 
Knowledge Discovery and Data Mining (KDD)(2003). 
[5] A. Alasoud, V. Haarslev and N. Shiri, An empirical comparison of ontology matching techniques, Journal of 
Information Science35(4) (2009) 379–397. 
[6] V. I. Levenshtein, Binary codes capable of correcting deletions, insertions, and reversals, Soviet Physics 
Doklady10 (1966) 707–710. 
[7] G. A. Miller, WordNet: A lexical database for english, Communications of the ACM38 (1995) 39–41. 
[8] P. Bouquet, L. Serafini and S. Zanobini, Peer-to-peer semantic coordination, Journal of Web Semantics 2(1) 
(2004) 81–97. 
[9] G. Pirro, A semantic similarity metric combining features and intrinsic information content, Journal of Data and 
Knowledge Engineering 68 (2009) 1289–1308. 
[10] A. Maedche and S. Staab, Measuring similarity between ontologies, In Proceedings of the International 
Conference on Knowledge Engineering and Knowledge Management(2002) 251–263. 
[11] Rahm, E. and Bernstein, P.: A survey of approaches to automatic schema matching. The VLDB Journal, ,10(4): 
334--350(2001). 
[12] Shvaiko, P. and Euzenat, J.: A survey of schema-based matching approaches. Journal on Data Semantics (JoDS) 
IV, 146--171(2005). 
[13] Kalfoglou, Y. and Schorlemmer, M.: Ontology mapping: the state of the art. The Knowledge Engineering 
Review Journal, 18(1):1--31, (2003). 
A NEW ALGORITHM FOR ONTOLOGY MATCHING 
Huynh Nhut Phat, Hoang Huu Hanh, Phan Cong Vinh 
ABSTRACT − Ontology matching is an importance in ontology technology of the Semantic Web with a goal of finding alignments 
among the entities of given ontologies. Ontology matching is a necessary step for establishing interoperation and knowledge sharing 
among Semantic Web applications. In this study we present an algorithm and a tool developed based on this algorithm to find 
correspondences among entities of input ontologies. The proposed algorithm uses a new lexical similarity measure and also utilizes 
structural information of ontologies to determine their corresponding entities. The lexical similarity measure generates a bag of 
words for each entity based on its label and description information. The structural approach creates a grid for each node in the 
ontologies. The combination of lexical and structural approaches creates the similarity matrix between the source and target 
ontologies. The proposed algorithm was tested on a well known benchmark and also compared to other algorithms presented in the 
literature. Our experimental results show the proposed algorithm is effective and outperforms other algorithms.